เลิกท่อง Prompt ได้แล้ว — สิ่งที่ AI ต้องการจากคุณไม่ใช่คาถา แต่คือสิ่งนี้ 🎁

จากการเขียนโค้ด สู่การสื่อสารความต้องการ ทำไม AI จึงทำให้ทักษะแบบ Business Analyst กลายเป็นหัวใจของการพัฒนาซอฟต์แวร์

การเข้ามาของ AI ในการพัฒนาซอฟต์แวร์ได้เปลี่ยนกระบวนทัศน์จากการเขียน "โค้ดคอมพิวเตอร์ (Syntax)" ไปสู่การใช้ "ภาษาธรรมชาติของมนุษย์ (Natural Language)" แต่กลับเผยให้เห็นปัญหาที่ลึกกว่านั้น นั่นคือเมื่อสั่งงานกว้างเกินไป AI ก็เดาสุ่ม สั้นเกินไป AI ก็ไม่เข้าใจ คำถามจึงไม่ใช่ "จะพิมพ์โค้ดอย่างไร" อีกต่อไป แต่เป็น "จะอธิบายสิ่งที่ต้องการให้ชัดเจนและมีขอบเขตได้อย่างไร" ซึ่งเมื่อสืบกลับไป จะพบว่าเป็นปัญหาที่วงการซอฟต์แวร์รู้จักมานานหลายสิบปี และมีศาสตร์รองรับชัดเจน

1. ความกำกวมของภาษาธรรมชาติ และเหตุผลเชิงวิชาการว่าทำไม "ภาษาพูดล้วน ๆ" จึงไม่พอ

อาการที่ AI ตอบมั่วเมื่อคำสั่งกว้างไป เป็นปัญหาทางวิทยาการคอมพิวเตอร์ที่มีชื่อเรียกชัดเจน คือ "ความกำกวมของภาษาธรรมชาติ" (Natural Language Ambiguity) และ "การกุข้อมูลของโมเดล" (AI Hallucination)

งานวิจัย "A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT" โดย Jules White และคณะ จากมหาวิทยาลัย Vanderbilt (arXiv:2302.11382, ก.พ. 2023) เสนอว่า prompt คือรูปแบบหนึ่งของการเขียนโปรแกรมที่ใช้กำหนดกฎ ควบคุมกระบวนการ และบังคับคุณภาพของผลลัพธ์ พร้อมนำเสนอชุด prompt patterns ที่นำกลับมาใช้ซ้ำได้ เปรียบได้กับ software patterns [1] arxiv

จุดสำคัญที่มักถูกเข้าใจผิดคือ งานวิจัยนี้ไม่ได้บอกว่า "ต้องท่องจำ prompt ให้ได้มาก ๆ" แต่ชี้ไปทางตรงข้าม คือผลลัพธ์ที่ดีมาจากการมีโครงสร้างและแพตเทิร์นที่นำกลับมาใช้ซ้ำได้ ไม่ใช่การจำสูตรเฉพาะกิจทีละอัน และทีมเดียวกันยังตีพิมพ์งานต่อยอดชื่อ "ChatGPT Prompt Patterns for Improving Code Quality, Refactoring, Requirements Elicitation, and Software Design" ซึ่งระบุคำว่า Requirements Elicitation ไว้ในชื่อโดยตรง เท่ากับงานวิจัยเองก็ชี้กลับมาที่ทักษะของ Business Analyst [2] ACM Digital Library

2. รากของปัญหาที่แท้จริง: "การตัดสินใจว่าจะสร้างอะไร" ไม่ใช่ "การเขียนโค้ด"

ก่อนยุค AI วงการซอฟต์แวร์รู้เรื่องนี้มานานแล้ว Fred Brooks เขียนไว้ในบทความระดับตำนาน "No Silver Bullet" (IEEE Computer, 1987) ว่า ส่วนที่ยากที่สุดของการสร้างระบบซอฟต์แวร์คือการตัดสินใจให้แม่นยำว่าจะสร้างอะไร และลูกค้าเองก็มักไม่รู้ว่าต้องการอะไร แทบไม่เคยคิดปัญหาลงรายละเอียดถึงระดับที่เขียนเป็นข้อกำหนดได้ ดังนั้นหน้าที่สำคัญที่สุดของผู้สร้างซอฟต์แวร์คือการดึงและกลั่นกรองความต้องการออกมาแบบวนซ้ำ [3] ResearchGate

ทักษะนี้มีวิชาชีพและมาตรฐานสากลรองรับ คือศาสตร์ของ Business Analyst และ Requirements Engineering ผ่าน BABOK ของ IIBA ที่ จัด "Elicitation and Collaboration" เป็นองค์ความรู้แกนกลาง [4] และมาตรฐาน ISO/IEC/IEEE 29148:2018 ที่ นิยาม Requirements Engineering ว่าเป็นหน้าที่ข้ามศาสตร์ในการค้นหา ดึง วิเคราะห์ ตรวจสอบ ยืนยัน สื่อสาร และจัดทำเอกสารความต้องการ [5] IIBAarxiv

หัวใจของศาสตร์นี้คือความต่างระหว่าง "การเก็บความต้องการ (gathering)" กับ "การดึงความต้องการ (elicitation)" แบบแรกคือการจดสิ่งที่ลูกค้าบอกมาเฉย ๆ ส่วนแบบหลังคือการขุดทั้งความต้องการที่พูดออกมาและที่พูดไม่ออก ผ่านเทคนิคที่มีโครงสร้าง เช่น การสัมภาษณ์ การสังเกต และการทำต้นแบบ ซึ่งตรงกับสิ่งที่คนทั่วไปขาดเวลาสั่งงาน AI พอดี [4], [5] aqua cloud

3. ทิศทางระดับโลกยืนยัน: คอขวดได้ย้ายขึ้นไปอยู่ที่ "การสื่อสารเจตนา"

Andrej Karpathy (ผู้ร่วมก่อตั้ง OpenAI และอดีตผู้อำนวยการฝ่าย AI ของ Tesla) เป็นที่รู้จักจากวาทกรรมปี 2023 ที่ว่า "ภาษาโปรแกรมที่มาแรงที่สุดคือภาษาอังกฤษ" [6] และในคีย์โน้ต "Software 3.0" (มิ.ย. 2025) เขาเตือนว่า AI สร้างผลลัพธ์ได้เร็วกว่าที่มนุษย์จะตรวจทานไหว คอขวดเดิมจึงย้ายไปอยู่ที่การตรวจสอบและตัดสินว่าผลลัพธ์ถูกต้องหรือไม่ [7] JohnsamuelTravis Media

Sean Grove (นักวิจัยฝ่าย alignment ของ OpenAI) ในทอล์ก "The New Code" (2025) ระบุว่า โค้ดคิดเป็นเพียง 10–20% ของคุณค่าที่โปรแกรมเมอร์สร้าง อีก 80–90% คือการสื่อสารอย่างมีโครงสร้าง และทักษะหายากใหม่คือการเขียนข้อกำหนดที่จับเจตนาได้ครบ [8] แนวคิดนี้ตกผลึกเป็นเครื่องมือจริงอย่าง GitHub Spec Kit และ AWS Kiro (Requirements → Design → Tasks) [10] IKANGAITrueFoundry

McKinsey & Company ในรายงาน "The economic potential of generative AI" (มิ.ย. 2023) ระบุว่า Generative AI อาจเพิ่มผลิตภาพงานวิศวกรรมซอฟต์แวร์ได้ราว 20–45% ของค่าใช้จ่ายต่อปี และ การที่ AI เร่งกระบวนการเขียนโค้ดจะผลักทักษะที่จำเป็นให้ขยับขึ้นไปทางการออกแบบโค้ดและสถาปัตยกรรม [9] กล่าวคือมูลค่าของมนุษย์เลื่อนจากการพิมพ์โค้ดทีละบรรทัด ขึ้นไปสู่การออกแบบและกำหนดทิศทาง ซึ่งสอดคล้องโดยตรงกับงานของ Business Analyst ThreeoaksadvisoryMcKinsey & Company

4. HLC (Human Language Coding): หลักสูตรที่ตกผลึกจากประสบการณ์จริงเกือบ 20 ปี

จากปัญหาและทิศทางระดับโลกทั้งหมดข้างต้น บริษัท ซูโดกุ จำกัด ร่วมกับผู้เชี่ยวชาญด้าน IT Business Analyst ที่มีประสบการณ์ในสายงานนี้มาเกือบ 20 ปี ได้ตกผลึกองค์ความรู้และประสบการณ์เหล่านั้นออกมาเป็นหลักสูตร HLC (Human Language Coding) — หลักสูตรที่สอนการเขียนและพัฒนา website/software ด้วย AI โดยใช้ภาษาธรรมชาติของมนุษย์ บนหลักการจัดการความต้องการ (Requirements Engineering) อย่างมีกรอบและขอบเขตที่ชัดเจน เพื่อให้คนทั่วไปควบคุมตรรกะของโปรแกรมได้จริง โดยไม่ต้องเรียนเขียนโค้ดแบบเดิม หรือนั่งท่องจำ prompt ที่ซับซ้อน

สิ่งที่ทำให้ HLC ต่างจากการสอน "ท่อง prompt" ทั่วไป คือมันไม่ได้สร้างจากการรวบรวมสูตรสำเร็จ แต่สร้างจากการถอดวิธีคิดที่ผู้เชี่ยวชาญ BA มืออาชีพใช้กับโครงการจริงมาตลอดเกือบสองทศวรรษ ทั้งการดึงความต้องการ (elicitation) การกำหนดขอบเขต และการวางตรรกะของระบบ แล้วแปลงเป็นขั้นตอนที่คนทั่วไปเข้าใจและทำตามได้เมื่อสั่งงาน AI ด้วยภาษาธรรมชาติ ซึ่งตรงกับทิศทางที่ Karpathy, Grove และ McKinsey ชี้ไว้ว่าทักษะแห่งอนาคตคือการสื่อสารความต้องการอย่างเป็นระบบ ไม่ใช่การพิมพ์โค้ด

ที่สำคัญที่สุด หลักสูตร HLC ไม่ได้เป็นเพียงทฤษฎี แต่ผ่านการพิสูจน์ด้วยการพัฒนาระบบที่ใช้งานได้จริงมาแล้ว ตัวอย่างที่เป็นรูปธรรมคือ Zudobot (zudobot.zudogu.com) — AI Sales Agent สำหรับธุรกิจ ที่เรียนรู้แคตตาล็อกสินค้า ตอบและช่วยปิดการขายให้ลูกค้าได้ตลอด 24 ชั่วโมง รองรับ PDPA และ GDPR ทั้งหมดนี้พัฒนาขึ้นด้วยกระบวนการ HLC

กล่าวโดยสรุป HLC คือการนำศาสตร์ที่ได้รับการยอมรับระดับสากล (Requirements Engineering และ Natural Language Programming) มาผสานกับประสบการณ์จริงของผู้เชี่ยวชาญ BA เกือบ 20 ปี แล้วเรียบเรียงเป็นหลักสูตรที่คนทั่วไปเรียนรู้และนำไปสร้างซอฟต์แวร์ใช้งานได้จริง คุณค่าของมันจึงอยู่ที่การย่อยสิ่งที่ซับซ้อนให้กลายเป็นทักษะที่จับต้องและพิสูจน์ได้

ลงทะเบียนก่อนใครที่ https://docs.google.com/forms/d/e/1FAIpQLSe7rfw_WpaXb_8kilFE-lUGMf1mKs5l4B7WGa9Lf18FtM4nWg/viewform?usp=header

เอกสารอ้างอิง (References)

[1] J. White, Q. Fu, S. Hays, M. Sandborn, C. Olea, H. Gilbert, A. Elnashar, J. Spencer-Smith, and D. C. Schmidt, “A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT,” arXiv:2302.11382 [cs.SE], Feb. 2023. Available: https://arxiv.org/abs/2302.11382

[2] J. White, S. Hays, Q. Fu, J. Spencer-Smith, and D. C. Schmidt, “ChatGPT Prompt Patterns for Improving Code Quality, Refactoring, Requirements Elicitation, and Software Design,” arXiv:2303.07839 [cs.SE], 2023. Available: https://arxiv.org/abs/2303.07839

[3] F. P. Brooks, Jr., “No Silver Bullet: Essence and Accidents of Software Engineering,” IEEE Computer, vol. 20, no. 4, pp. 10–19, Apr. 1987.

[4] International Institute of Business Analysis (IIBA), A Guide to the Business Analysis Body of Knowledge (BABOK Guide), v3. Toronto, Canada: IIBA, 2015. Available: https://www.iiba.org

[5] ISO/IEC/IEEE 29148:2018, Systems and Software Engineering — Life Cycle Processes — Requirements Engineering. Geneva, Switzerland: ISO, 2018. Available: https://www.iso.org/standard/72089.html

[6] A. Karpathy, “The hottest new programming language is English,” post on X (formerly Twitter), Jan. 2023.

[7] A. Karpathy, “Software Is Changing (Again) — Software 3.0,” keynote, Y Combinator AI Startup School, San Francisco, CA, USA, Jun. 17, 2025. Available: https://www.youtube.com/watch?v=LCEmiRjPEtQ

[8] S. Grove, “The New Code,” talk, AI Engineer World’s Fair, San Francisco, CA, USA, 2025. Available: https://www.youtube.com/watch?v=8rABwKRsec4

[9] McKinsey & Company, “The Economic Potential of Generative AI: The Next Productivity Frontier,” Jun. 14, 2023. Available: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

[10] GitHub, “Spec Kit,” 2025. Available: https://github.com/github/spec-kit ; Amazon Web Services, “Kiro.” Available: https://kiro.dev